Amazon Bedrock的Choice Matters策略：模型选型与AI落地的关键

2025年9月19日，亚马逊云科技官方宣布，Qwen3和DeepSeek v3.1首次在Amazon Bedrock平台上架，正式向全球用户提供服务。这一消息迅速引起了生成式AI市场对Amazon Bedrock的再度关注。

DeepSeek v3.1的部分测试成绩展示，图片来源于DeepSeek官方文档。

Qwen3-235B系列的测试成绩，图片来自通义千问微信公众号。

Amazon Bedrock最初以“大模型货架”的形式呈现给客户，其核心哲学是“Choice Matters”（选择至关重要），旨在为多样化的业务需求提供最合适的基础模型。因此，自推出以来，主流模型迅速上架Amazon Bedrock，可供客户选择，模型数量超过200款，是市场竞争对手的两倍以上。

“Choice Matters”理念的提出，基于一个关键洞察：不存在一个在所有场景下性能和性价比都最优的通用模型。回顾2025年基础模型厂商的竞争动态以及不同地区服务政策的变化，这一理念的现实意义更加凸显。

从这个角度看，亚马逊云科技始终坚持的“Choice Matters”已经是一个相对保守的说法——如果企业在模型选择上缺乏灵活性和多样性，其AI战略可能会陷入被动。

基础模型的“行业波动”持续进行

2023年，亚马逊云科技首次提出“Choice Matters”理念，但当时行业并未完全认同。尽管逻辑上可行，情感上仍存疑虑。这主要是由于两个技术推论混淆了行业认知。

首先，从资本角度，普遍认为大模型训练成本极高，需要万卡集群作为入场券，闭源模型主导市场，开源模型有限，“百模大战”将演变为少数巨头的竞争，选择余地不大。

其次，从技术角度，认为大语言模型在数据和架构上的进化空间有限。高质量数据稀缺，难以催生新的“智能涌现”；Transformer架构仍是主流，短期内无更好替代方案。因此，大模型的“技术天花板”即将触顶，厂商重点将从基础模型转向垂直行业解决方案。

这两个推论的影响深远。一些知名投资人和云计算公司信奉第一个推论，而如百川智能等公司则深信第二个推论，过早放弃基础模型探索，错过了AI Agent的发展机遇。

实际上，技术突破并非短期行为，大模型的技术曲线依然陡峭，市场选择丰富多样。依赖单一模型构建的AI能力，很容易被新模型突破所颠覆，这在定制化To B AI解决方案中尤为常见。

2025年1月之前，基于开源模型交付的定制化AI解决方案，因DeepSeek的发布而变得过时。随后，Qwen3、Kimi K2和DeepSeek v3.1的陆续发布，又使部分方案再次被淘汰——半年内三次更新，生动揭示了“单一模型解决方案”的局限性。

此外，2025年音视频模型技术快速演进，AI短剧成为“蓝海市场”，未来规模可能达千亿级。对新成立的工作室而言，如何选择和构建工具成为核心问题。

无疑，无论是企业服务、AI短剧还是推动AI落地的公司，都需要能够应对行业波动、灵活多元的MaaS基础设施。

经过两年持续投入，Amazon Bedrock几乎成为唯一选择。

除了惊人的模型数量和更新速度，Amazon Bedrock还能为特定行业和场景提供差异化模型建议。

例如，媒体广告行业可选用Marengo、Pagsus、Stable Diffusion；金融行业适合Palmyra x5；重推理场景推荐DeepSeek v3.1；文本摘要则可用Mixtral。与试图用DeepSeek解决所有问题的方案相比，这种针对性的选择更可靠。以Palmyra x5为例，其100万Token的上下文窗口，比一般推理模型高一个数量级，更适合财务报告和法律合同分析。

考虑到2025年中企出海趋势的高涨，“Choice Matters”策略的重要性进一步上升——在模型选型上，国内外存在不同模板和采购清单。但无论哪种模型，大多能在Amazon Bedrock中找到。这也是亚马逊云科技营收快速增长的原因之一。

2024年，亚马逊云科技全球营收突破千亿美元，“Choice Matters”策略的成功实施功不可没。

灵活性是模型选型的核心

Palmyra x5的出现反映了大模型的发展趋势：从单一到多元，从通识到专业。当Agentic AI通过MCP、A2A协议调用不同智能体和模型进行精细分工时，“Choice Matters”策略必然成为未来Agent平台的内在逻辑。

专业能力和精细分工的本质在于模型设计思路和训练数据的差异。

以Palmyra x5为例。支持百万级Token上下文需要代价：上下文增长可能导致计算复杂度和内存占用呈平方级增加。而且，单纯增加上下文长度并不保证模型能有效利用所有信息。实际上，模型注意力呈“U型分布”，更关注开头和结尾，中间信息易被忽略，称为“中间迷失”现象。

对Palmyra x5而言，消除“中间迷失”现象成为技术团队的关键任务。

反观新上线的DeepSeek v3.1，它并非专为金融场景设计，而是更注重Agent能力和推理效率。从DeepSeek过去半年的落地情况看，维持全功能运行已需相当算力成本，盲目增加上下文窗口并无必要。

训练数据的选择也影响模型在不同场景的表现。

据悉，DeepSeek v3.1新增的840B Tokens中，代码和数学类数据占比提升，以增强逻辑推理和数学能力。

DeepSeek称其为“迈向Agentic AI时代的第一步”，因此推测它可能增加了大量Agentic数据。

Agentic数据是专门用于训练AI智能体的数据，包含行动轨迹、决策过程和环境交互信息。它超越传统对话数据，注重智能体在任务中的多步动作、工具使用、决策逻辑（包括错误和纠正）以及与环境的互动。

Qwen 3同样重视代码、数学和Agentic数据，并强调多语言能力——中文数据仅占45%，支持119种语言。在成本上，Qwen 3部署成本大幅降低，仅需4张H20即可部署全功能版本，显存占用仅为同类模型的三分之一。

总之，要确保AI成功落地并在各场景达到最佳效果，关键在于灵活选型和调用。亚马逊云科技数据和AI GTM副总裁Rahul Pathak在博客中精辟总结（翻译并略作编辑）：

模型选择需考虑三点：

不同用例需要不同工具，不应期望一个模型以最佳方式解决所有业务问题。

在模型间实验和切换的能力不仅便利，更是竞争优势。能快速测试和部署不同模型的组织，总是优于那些固守单一模型的组织。

成本优化源于将正确模型匹配每项任务，避免过度设计或表现不足。

就“竞争优势”而言，Amazon Bedrock已将其转化为系统级能力。

Amazon Bedrock为模型评估提供两条路径：自动评估和人工评估。自动评估适用于客观指标，人工评估针对主观判断，后者还可借助亚马逊云科技的官方评估团队。两种方式均生成详细报告供决策参考。

Amazon Bedrock还提供精选公开数据集，覆盖问答、摘要等任务，并允许企业上传特定业务数据集，进一步提升模型测试和选型的实用价值。

如果说AI正在替代部分传统工作，那么传统咨询公司在2023年的主营业务——模型介绍、推荐与评估——已被Amazon Bedrock完全取代。这符合现代企业发展规律：将人员能力沉淀为系统能力，最终促进业务成长。

由此可见，以Amazon Bedrock为代表的“Choice Matters”策略，正深刻影响着AI落地行业的整体进程。